Les modèles Elo et Poisson, expliqués en langage clair
Les modèles Elo et Poisson sont les deux approches statistiques les plus établies pour transformer les données de football en probabilités de match : le modèle Poisson/Dixon-Coles traite les buts comme un processus de comptage et produit une matrice de scores complète, tandis que le classement Elo entretient un unique nombre de force qui se met à jour après chaque résultat. Ce guide explique les mathématiques concrètes derrière chacun d'eux, et la façon dont ils fonctionnent comme deux des trois moteurs de probabilité centraux au sein de l'analyse à 12 moteurs de 11Stat. Il s'agit d'analyse de données de football, pas d'un conseil de paris.
Pourquoi Poisson ? Les buts sont un processus de comptage
Un but au football est un événement rare réparti sur 90 minutes : un match moyen produit environ 2,6 à 2,9 buts, et chaque attaque se conclut par un but avec une probabilité seulement faible. Cette structure est le cas d'école de la loi de Poisson. Si vous connaissez l'espérance de buts par match d'une équipe (λ, lambda), Poisson vous fournit l'ensemble complet des probabilités de marquer 0, 1, 2, 3... buts.
λ n'est pas une constante fixe ; il se déduit de la force offensive, de la force défensive de l'adversaire, de l'effet domicile/extérieur et de la référence de buts du championnat. Chez 11Stat, cette espérance est alimentée par les données xG (buts attendus) : c'est la qualité des occasions, pas le tableau d'affichage, qui fixe λ.
La correction de Dixon-Coles : l'indépendance se brise sur les faibles scores
Un modèle Poisson pur compte les buts des deux équipes comme indépendants l'un de l'autre ; les données réelles contredisent cela précisément sur les faibles scores. Les matchs nuls comme le 0-0 et le 1-1, ainsi que les résultats serrés comme le 1-0 et le 0-1, surviennent à des fréquences différentes de celles que prédit l'indépendance — une équipe en tête ralentit le jeu, et à égalité les deux camps gèrent le risque. Dans la zone des faibles scores, les buts ne sont pas totalement indépendants.
La correction de Dixon-Coles de 1997 répare exactement ce coin : un petit paramètre de dépendance (ρ, rho) repondère uniquement les cellules à 0 ou 1 but et laisse le reste de la matrice intact. Le modèle sous-pondère aussi les anciens matchs par une décroissance temporelle exponentielle, afin que la forme d'un effectif d'il y a deux saisons ne puisse pas l'emporter sur sa forme du mois dernier. Les deux termes sont définis dans le glossaire.
Des taux de buts à une matrice de scores : 1X2, plus/moins et BTTS d'une seule source
Combinez les valeurs de λ des deux équipes avec l'ajustement de Dixon-Coles et vous obtenez la matrice de scores : une probabilité pour chaque score exact à partir du 0-0. Cette matrice est une source de vérité unique — la masse de part et d'autre de la diagonale donne les probabilités de victoire 1X2, la masse de part et d'autre d'une ligne de total de buts donne le plus/moins, et les cellules où les deux équipes marquent au moins une fois se somment en la probabilité que les deux équipes marquent.
Parce qu'ils proviennent tous de la même matrice, ces pourcentages ne peuvent pas se contredire ; cette cohérence interne est l'avantage le plus concret qu'un modèle de probabilité détient sur les pronostics faits à la main. Et un pourcentage porte toujours une incertitude : une probabilité de 60 % signifie que le résultat est attendu dans environ 60 scénarios similaires sur 100 — les 40 autres font partie de la probabilité, non d'un échec de celle-ci.
Classements Elo : une force qui se met à jour à chaque résultat — plus l'avantage du terrain
Le classement Elo, adapté au football depuis les échecs, est une mesure de force fondée sur les résultats. Chaque équipe porte un seul nombre ; avant le coup d'envoi, l'écart de classement se convertit en un résultat attendu, et après le match la différence entre le résultat réel et le résultat attendu — mise à l'échelle par un facteur K — est ajoutée au classement. Un favori qui bat une équipe faible ne gagne presque rien ; une équipe qui crée la surprise fait un bond.
L'avantage du terrain entre dans le modèle sous forme de points de classement bonus — son ampleur varie selon le championnat, mais dans les implémentations typiques il déplace la probabilité de victoire de plusieurs points de pourcentage dans un match par ailleurs équilibré. La forme récente est captée en pondérant plus fortement les derniers matchs ; la façon dont ce signal est construit est traitée sur la page indice de forme des équipes.
Où chaque modèle est fort, et où il est aveugle
Les deux modèles regardent la même question à travers des fenêtres différentes :
- Poisson/Dixon-Coles se nourrit de la production de buts : il est naturellement fort pour les questions de score, de total de buts et de « les deux équipes marquent », mais il est sensible au renouvellement de l'effectif et aux données rares.
- Elo/forme n'apprend qu'à partir des résultats : il est robuste au bruit et cohérent d'un championnat à l'autre, mais il ne voit jamais comment un match a été gagné et souffre d'un problème de démarrage à froid en début de nouvelle saison.
Quand les deux moteurs pointent dans la même direction, la confiance augmente ; quand ils divergent, ce n'est pas un dysfonctionnement mais une information — le signe, généralement, que le tableau d'affichage et la production sous-jacente ne s'accordent pas. Dans ce cas, 11Stat abaisse le score de confiance au lieu d'amplifier le signal.
À l'intérieur de 11Stat : deux des trois moteurs de probabilité centraux
Dans le pipeline d'analyse de 11Stat, chaque match traverse 12 moteurs, dont trois sont des moteurs de probabilité centraux : le moteur de buts Poisson/Dixon-Coles, le moteur Elo/forme et le moteur bivarié avancé. Les deux modèles de cette page sont les deux premiers piliers de ce noyau ; le troisième modélise la dépendance des faibles scores de façon plus souple.
Les sorties des moteurs ne sont jamais publiées brutes : une couche de calibration aligne d'abord les probabilités sur la performance historique, une règle de consensus compte ensuite combien de moteurs indépendants pointent dans la même direction, et une qualité de données faible atténue le signal. Le processus de validation complet est documenté sur la page méthodologie. Le résultat est une mesure de probabilité auditable, pas une promesse.
Questions fréquentes
Le modèle Poisson ou Elo garantit-il le résultat ?
Non. Aucun modèle statistique ne peut garantir l'issue d'un match unique ; un modèle ne produit qu'une distribution de probabilités. Un résultat auquel on attribue 65 % de probabilité ne se produit pas dans environ 35 matchs comparables sur 100 — ce n'est pas une erreur, c'est la définition même de la probabilité. Les sorties de 11Stat sont de l'analyse de données, pas une promesse de résultats.
Une probabilité élevée du modèle est-elle un pari sûr ?
Non — un pari sûr n'existe pas, et 11Stat n'emploie pas ce cadrage. Même l'issue la plus probable échoue à une fréquence significative, et la variance sur un match unique est toujours grande. Ce que la plateforme montre à la place, c'est la probabilité, le consensus des moteurs et la qualité des données, afin que le lecteur puisse constater lui-même l'incertitude.
Pourquoi Poisson plutôt qu'une loi normale ?
Les nombres de buts sont de petits entiers non négatifs : 0, 1, 2, 3... La loi normale est continue et symétrique ; dans un match qui produit en moyenne 2,6 buts, elle attribuerait une probabilité à des valeurs absurdes comme moins un but. Poisson est conçue pour les comptages entiers et s'ajuste remarquablement bien à la distribution réelle des buts dans les contextes à faible moyenne et à événements rares.
Que fait réellement le rho (ρ) de Dixon-Coles ?
Rho ajuste les probabilités de quatre scores seulement — 0-0, 1-0, 0-1 et 1-1 — par un petit facteur. Le Poisson pur est systématiquement décalé dans cette zone de faibles scores parce que les buts des deux équipes n'y sont pas indépendants. Rho est généralement une petite valeur et laisse le reste de la matrice de scores complètement intact.
Combien vaut l'avantage du terrain dans Elo ?
Cela varie selon le championnat et l'époque ; dans les implémentations typiques, le bonus ajouté à l'équipe à domicile se traduit par un déplacement de plusieurs points de pourcentage de probabilité de victoire dans un match équilibré. Les données de matchs joués sans public ont montré que cet avantage n'est pas constant, c'est pourquoi 11Stat estime le paramètre par championnat à partir des données et le valide dans des backtests simulés.
Lequel est le meilleur, Elo ou Poisson ?
Ils sont complémentaires, pas rivaux. Poisson/Dixon-Coles produit une matrice de scores naturelle pour les questions liées aux buts ; Elo délivre un signal de force fondé sur les résultats et robuste au bruit. Dans les backtests simulés, aucun des deux n'est systématiquement supérieur à lui seul, et c'est précisément pour cela que 11Stat fait tourner les deux — aux côtés du moteur bivarié avancé — au sein d'un même consensus.